公开(公告)号：CN109696651B

公开(公告)日：2021-03-26

申请号：CN201910086425.1

申请日：2019-01-29

Applicant: 电子科技大学

Inventor： 张弘旺 ,  郑植 ,  杨潇 ,  刘旺

IPC: G01S3/14

Abstract: 本发明提出一种基于M估计的低快拍数下波达方向估计方法，包括：步骤1.设置天线阵列并获得所述天线阵列的观测数据矢量；步骤2.计算观测数据矢量在快拍数为T的协方差矩阵；步骤3.对所述样本协方差矩阵进行迹正则化得到迹正则化后的矩阵；步骤4.对迹正则化后的矩阵进行托普利兹校正，得到目标矩阵；步骤5.根据迹正则化后的目标矩阵，计算矩阵收缩估计的收缩系数；步骤6.根据所述收缩目标矩阵和所述收缩系数，构造新的协方差矩阵；步骤7.将新的协方差矩阵重新置为样本协方差矩阵，重复步骤2～步骤6，直到得到最终的估计；步骤8.利用得到的协方差矩阵采用子空间分解的方法计算信号的波达方向。

公开(公告)号：CN110533724B

公开(公告)日：2021-10-22

申请号：CN201910839780.1

申请日：2019-09-06

Applicant: 电子科技大学

Inventor： 肖卓凌 ,  刘旺 ,  蓝心悦 ,  郭志勇

IPC: G06T7/73

Abstract: 本发明公开了一种基于深度学习和注意力机制的单目视觉里程计算方法，具体步骤包括：先采集原始单目彩色图像，并将图像尺寸裁剪为统一大小；将裁剪过后的第i张图像和第i+1张图片输入PWCnet光流计算模块，获取光流向量场，并将光流向量场按照4个象限等分为4个光流子向量场；将4个光流子向量场输入卷积神经网络，分别获取4个子特征向量；将4个子特征向量合并为一个总特征向量，然后将总特征向量输入全连接网络，获取估计位姿向量；实时采集图片，并依次送入卷积神经网络，得到若干连续的估计位姿向量，通过若干连续的估计位姿向量获取估计里程。本发明拥有很好的视觉里程计算精度和计算速度。

公开(公告)号：CN109696651A

公开(公告)日：2019-04-30

申请号：CN201910086425.1

申请日：2019-01-29

Applicant: 电子科技大学

Inventor： 张弘旺 ,  郑植 ,  杨潇 ,  刘旺

IPC: G01S3/14

Abstract: 本发明提出一种基于M估计的低快拍数下波达方向估计方法，包括：步骤1.设置天线阵列并获得所述天线阵列的观测数据矢量；步骤2.计算观测数据矢量在快拍数为T的协方差矩阵；步骤3.对所述样本协方差矩阵进行迹正则化得到迹正则化后的矩阵；步骤4.对迹正则化后的矩阵进行托普利兹校正，得到目标矩阵；步骤5.根据迹正则化后的目标矩阵，计算矩阵收缩估计的收缩系数；步骤6.根据所述收缩目标矩阵和所述收缩系数，构造新的协方差矩阵；步骤7.将新的协方差矩阵重新置为样本协方差矩阵，重复步骤2～步骤6，直到得到最终的估计；步骤8.利用得到的协方差矩阵采用子空间分解的方法计算信号的波达方向。

公开(公告)号：CN110533724A

公开(公告)日：2019-12-03

申请号：CN201910839780.1

申请日：2019-09-06

Applicant: 电子科技大学

Inventor： 肖卓凌 ,  刘旺 ,  蓝心悦 ,  郭志勇

IPC: G06T7/73

Abstract: 本发明公开了一种基于深度学习和注意力机制的单目视觉里程计算方法，具体步骤包括：先采集原始单目彩色图像，并将图像尺寸裁剪为统一大小；将裁剪过后的第i张图像和第i+1张图片输入PWCnet光流计算模块，获取光流向量场，并将光流向量场按照4个象限等分为4个光流子向量场；将4个光流子向量场输入卷积神经网络，分别获取4个子特征向量；将4个子特征向量合并为一个总特征向量，然后将总特征向量输入全连接网络，获取估计位姿向量；实时采集图片，并依次送入卷积神经网络，得到若干连续的估计位姿向量，通过若干连续的估计位姿向量获取估计里程。本发明拥有很好的视觉里程计算精度和计算速度。